Οι επιστήμονες δεδομένων χρειάζονται ένα συνεπές και αναπαραγώγιμο περιβάλλον για τη μηχανική μάθηση (ML) και τον φόρτο εργασίας της επιστήμης δεδομένων που επιτρέπει τη διαχείριση εξαρτήσεων και είναι ασφαλές. Εμπορευματοκιβώτια βαθιάς μάθησης AWS παρέχει ήδη προκατασκευασμένες εικόνες Docker για εκπαίδευση και εξυπηρέτηση μοντέλων σε κοινά πλαίσια όπως το TensorFlow, το PyTorch και το MXNet. Για να βελτιώσουμε αυτήν την εμπειρία, ανακοινώσαμε μια δημόσια έκδοση beta της διανομής ανοιχτού κώδικα SageMaker στο 2023 JupyterCon. Αυτό παρέχει μια ενοποιημένη εμπειρία ML από άκρο σε άκρο σε προγραμματιστές ML διαφορετικών επιπέδων εξειδίκευσης. Οι προγραμματιστές δεν χρειάζεται πλέον να αλλάζουν μεταξύ διαφορετικών κοντέινερ πλαισίου για πειραματισμό ή καθώς μετακινούνται από τοπικά περιβάλλοντα JupyterLab και σημειωματάρια SageMaker σε εργασίες παραγωγής στο SageMaker. Το ανοιχτού κώδικα SageMaker Distribution υποστηρίζει τα πιο κοινά πακέτα και βιβλιοθήκες για επιστήμη δεδομένων, ML και οπτικοποίηση, όπως TensorFlow, PyTorch, Scikit-learn, Pandas και Matplotlib. Μπορείτε να ξεκινήσετε να χρησιμοποιείτε το δοχείο από το Amazon ECR Public Gallery ξεκινώντας σήμερα.
Σε αυτήν την ανάρτηση, σας δείχνουμε πώς μπορείτε να χρησιμοποιήσετε τη διανομή ανοιχτού κώδικα SageMaker για να πειραματιστείτε γρήγορα στο τοπικό σας περιβάλλον και να τις προωθήσετε εύκολα σε θέσεις εργασίας στο SageMaker.
Επισκόπηση λύσεων
Για το παράδειγμά μας, παρουσιάζουμε την εκπαίδευση ενός μοντέλου ταξινόμησης εικόνων χρησιμοποιώντας το PyTorch. Χρησιμοποιούμε το ΚΜΝΙΣΤ σύνολο δεδομένων διαθέσιμο δημόσια στο PyTorch. Εκπαιδεύουμε ένα μοντέλο νευρωνικού δικτύου, δοκιμάζουμε την απόδοση του μοντέλου και, τέλος, εκτυπώνουμε την εκπαίδευση και τη δοκιμή απώλειας. Το πλήρες σημειωματάριο για αυτό το παράδειγμα είναι διαθέσιμο στο Αποθετήριο παραδειγμάτων SageMaker Studio Lab. Ξεκινάμε τον πειραματισμό σε έναν τοπικό φορητό υπολογιστή χρησιμοποιώντας τη διανομή ανοιχτού κώδικα, μεταφέροντάς τον σε Στούντιο Amazon SageMaker για τη χρήση μιας μεγαλύτερης παρουσίας και, στη συνέχεια, προγραμματίστε το σημειωματάριο ως εργασία σημειωματάριου.
Προϋποθέσεις
Χρειάζεστε τις ακόλουθες προϋποθέσεις:
Ρυθμίστε το τοπικό σας περιβάλλον
Μπορείτε να ξεκινήσετε απευθείας τη χρήση της διανομής ανοιχτού κώδικα στον τοπικό σας φορητό υπολογιστή. Για να ξεκινήσετε το JupyterLab, εκτελέστε τις ακόλουθες εντολές στο τερματικό σας:
Μπορείτε να αντικαταστήσετε ECR_IMAGE_ID
με οποιαδήποτε από τις ετικέτες εικόνας που είναι διαθέσιμες στο Amazon ECR Public Gallery, ή επιλέξτε το latest-gpu
επισημάνετε εάν χρησιμοποιείτε μηχάνημα που υποστηρίζει GPU.
Αυτή η εντολή θα ξεκινήσει το JupyterLab και θα παρέχει μια διεύθυνση URL στο τερματικό, όπως http://127.0.0.1:8888/lab?token=<token>
. Αντιγράψτε τον σύνδεσμο και καταχωρίστε τον στο πρόγραμμα περιήγησης που προτιμάτε για να ξεκινήσετε το JupyterLab.
Ρύθμιση Studio
Το Studio είναι ένα ολοκληρωμένο περιβάλλον ανάπτυξης (IDE) για ML που επιτρέπει στους προγραμματιστές και τους επιστήμονες δεδομένων να δημιουργούν, να εκπαιδεύουν, να αναπτύσσουν και να παρακολουθούν μοντέλα ML σε κλίμακα. Το Studio παρέχει μια εκτενή λίστα εικόνων πρώτου κατασκευαστή με κοινά πλαίσια και πακέτα, όπως Data Science, TensorFlow, PyTorch και Spark. Αυτές οι εικόνες διευκολύνουν τους επιστήμονες δεδομένων να ξεκινήσουν με την ML επιλέγοντας απλώς ένα πλαίσιο και τύπο παρουσίας της επιλογής τους για υπολογισμό.
Τώρα μπορείτε να χρησιμοποιήσετε τη διανομή ανοιχτού κώδικα SageMaker στο Studio χρησιμοποιώντας το Studio's φέρτε τη δική σας εικόνα χαρακτηριστικό. Για να προσθέσετε τη διανομή ανοιχτού κώδικα στον τομέα σας SageMaker, ολοκληρώστε τα ακόλουθα βήματα:
- Προσθέστε τη διανομή ανοιχτού κώδικα στον λογαριασμό σας Μητρώο εμπορευματοκιβωτίων Amazon Elastic αποθετήριο (Amazon ECR) εκτελώντας τις ακόλουθες εντολές στο τερματικό σας:
- Δημιουργήστε μια εικόνα SageMaker και επισυνάψτε την εικόνα στον τομέα Studio:
- Στην κονσόλα SageMaker, εκκινήστε το Studio επιλέγοντας τον τομέα σας και το υπάρχον προφίλ χρήστη.
- Προαιρετικά, επανεκκινήστε το Studio ακολουθώντας τα βήματα Τερματίστε και ενημερώστε το SageMaker Studio.
Κατεβάστε το σημειωματάριο
Κατεβάστε το δείγμα σημειωματάριου τοπικά από το GitHub repo.
Ανοίξτε το σημειωματάριο στο IDE της επιλογής σας και προσθέστε ένα κελί στην αρχή του σημειωματάριου για εγκατάσταση torchsummary
. ο torchsummary
Το πακέτο δεν αποτελεί μέρος της διανομής και η εγκατάσταση αυτού στο σημειωματάριο θα διασφαλίσει ότι το σημειωματάριο θα εκτελείται από άκρη σε άκρη. Συνιστούμε τη χρήση conda
or micromamba
για τη διαχείριση περιβαλλόντων και εξαρτήσεων. Προσθέστε το ακόλουθο κελί στο σημειωματάριο και αποθηκεύστε το σημειωματάριο:
Πειραματιστείτε στο τοπικό σημειωματάριο
Ανεβάστε το σημειωματάριο στη διεπαφή χρήστη του JupyterLab που ξεκινήσατε επιλέγοντας το εικονίδιο μεταφόρτωσης όπως φαίνεται στο παρακάτω στιγμιότυπο οθόνης.
Όταν μεταφορτωθεί, εκκινήστε το cv-kmnist.ipynb
σημειωματάριο. Μπορείτε να ξεκινήσετε την εκτέλεση των κελιών αμέσως, χωρίς να χρειάζεται να εγκαταστήσετε εξαρτήσεις όπως torch, matplotlib ή ipywidgets.
Εάν ακολουθήσατε τα προηγούμενα βήματα, μπορείτε να δείτε ότι μπορείτε να χρησιμοποιήσετε τη διανομή τοπικά από τον φορητό υπολογιστή σας. Στο επόμενο βήμα, χρησιμοποιούμε την ίδια διανομή στο Studio για να εκμεταλλευτούμε τις δυνατότητες του Studio.
Μετακίνηση του πειραματισμού στο Studio (προαιρετικό)
Προαιρετικά, ας προωθήσουμε τον πειραματισμό στο Studio. Ένα από τα πλεονεκτήματα του Studio είναι ότι οι υποκείμενοι υπολογιστικοί πόροι είναι πλήρως ελαστικοί, ώστε να μπορείτε εύκολα να καλέσετε τους διαθέσιμους πόρους προς τα πάνω ή προς τα κάτω και οι αλλαγές πραγματοποιούνται αυτόματα στο παρασκήνιο χωρίς να διακόπτεται η εργασία σας. Εάν θέλατε να εκτελέσετε το ίδιο σημειωματάριο παλαιότερα σε ένα μεγαλύτερο σύνολο δεδομένων και παράδειγμα υπολογισμού, μπορείτε να κάνετε μετεγκατάσταση στο Studio.
Μεταβείτε στη διεπαφή χρήστη του Studio που ξεκινήσατε νωρίτερα και επιλέξτε το εικονίδιο μεταφόρτωσης για να ανεβάσετε το σημειωματάριο.
Αφού εκκινήσετε το σημειωματάριο, θα σας ζητηθεί να επιλέξετε τον τύπο εικόνας και παρουσίας. Στον εκκινητή πυρήνα, επιλέξτε sagemaker-runtime
όπως η εικόνα και μια ml.t3.medium
για παράδειγμα, μετά επιλέξτε Αγορά.
Τώρα μπορείτε να εκτελέσετε το σημειωματάριο από άκρη σε άκρη χωρίς να χρειάζεστε αλλαγές στο σημειωματάριο από το τοπικό περιβάλλον ανάπτυξης σε φορητούς υπολογιστές Studio!
Προγραμματίστε το σημειωματάριο ως εργασία
Όταν τελειώσετε με τον πειραματισμό σας, το SageMaker παρέχει πολλαπλές επιλογές για την παραγωγικότητα του φορητού υπολογιστή σας, όπως εργασίες εκπαίδευσης και αγωγούς SageMaker. Μια τέτοια επιλογή είναι να εκτελέσετε απευθείας το ίδιο το σημειωματάριο ως μη διαδραστική, προγραμματισμένη εργασία σημειωματάριου χρησιμοποιώντας Εργασίες φορητού υπολογιστή SageMaker. Για παράδειγμα, μπορεί να θέλετε να εκπαιδεύετε περιοδικά το μοντέλο σας ή να λαμβάνετε συμπεράσματα για τα εισερχόμενα δεδομένα περιοδικά και να δημιουργείτε αναφορές για κατανάλωση από τους ενδιαφερόμενους φορείς σας.
Από το Studio, επιλέξτε το εικονίδιο εργασίας σημειωματάριου για να ξεκινήσει η εργασία του σημειωματάριου. Εάν έχετε εγκαταστήσει την επέκταση εργασιών φορητού υπολογιστή τοπικά στον φορητό υπολογιστή σας, μπορείτε επίσης να προγραμματίσετε το σημειωματάριο απευθείας από τον φορητό υπολογιστή σας. Βλέπω Οδηγός Εγκατάστασης για να ρυθμίσετε τοπικά την επέκταση εργασιών σημειωματάριου.
Η εργασία σημειωματάριου χρησιμοποιεί αυτόματα το URI εικόνας ECR της διανομής ανοιχτού κώδικα, ώστε να μπορείτε να προγραμματίσετε απευθείας την εργασία του σημειωματάριου.
Επιλέξτε Τρέξτε σύμφωνα με το πρόγραμμα, επιλέξτε ένα πρόγραμμα, για παράδειγμα κάθε εβδομάδα το Σάββατο και επιλέξτε Δημιουργία. Μπορείτε επίσης να επιλέξετε Τρέξε τώρα εάν θέλετε να δείτε τα αποτελέσματα αμέσως.
Όταν ολοκληρωθεί η πρώτη εργασία φορητού υπολογιστή, μπορείτε να προβάλετε τις εξόδους του σημειωματάριου απευθείας από τη διεπαφή χρήστη του Studio επιλέγοντας σημειωματάριο υπό Αρχεία εξόδου.
Πρόσθετες εκτιμήσεις
Εκτός από τη χρήση της δημόσιας διαθέσιμης εικόνας ECR απευθείας για φόρτους εργασίας ML, η διανομή ανοιχτού κώδικα προσφέρει τα ακόλουθα πλεονεκτήματα:
- Το Dockerfile που χρησιμοποιείται για τη δημιουργία της εικόνας είναι διαθέσιμο δημόσια για να εξερευνήσουν οι προγραμματιστές και να δημιουργήσουν τις δικές τους εικόνες. Μπορείτε επίσης να κληρονομήσετε αυτήν την εικόνα ως τη βασική εικόνα και να εγκαταστήσετε τις προσαρμοσμένες βιβλιοθήκες σας για να έχετε ένα αναπαραγόμενο περιβάλλον.
- Εάν δεν είστε συνηθισμένοι στο Docker και προτιμάτε να χρησιμοποιείτε περιβάλλοντα Conda στο περιβάλλον του JupyterLab, παρέχουμε
env.out
αρχείο για καθεμία από τις δημοσιευμένες εκδόσεις. Μπορείτε να χρησιμοποιήσετε τις οδηγίες στο αρχείο για να δημιουργήσετε το δικό σας περιβάλλον Conda που θα μιμείται το ίδιο περιβάλλον. Για παράδειγμα, δείτε το αρχείο περιβάλλοντος της CPU cpu.env.out. - Μπορείτε να χρησιμοποιήσετε τις εκδόσεις GPU της εικόνας για να εκτελέσετε φόρτους εργασίας συμβατούς με GPU, όπως η βαθιά εκμάθηση και η επεξεργασία εικόνας.
εκκαθάριση
Ολοκληρώστε τα παρακάτω βήματα για να καθαρίσετε τους πόρους σας:
- Εάν έχετε προγραμματίσει το σημειωματάριό σας να εκτελείται με χρονοδιάγραμμα, κάντε παύση ή διαγράψτε το χρονοδιάγραμμα στο Ορισμοί εργασιών σημειωματάριου καρτέλα για να αποφύγετε την πληρωμή για μελλοντικές θέσεις εργασίας.
- Τερματίστε όλες τις εφαρμογές Studio για να αποφύγετε την πληρωμή για αχρησιμοποίητη χρήση υπολογιστών. Βλέπω Τερματισμός και ενημέρωση εφαρμογών Studio για οδηγίες.
- Προαιρετικά, διαγράψτε τον τομέα Studio εάν δημιουργήσατε έναν.
Συμπέρασμα
Η διατήρηση ενός αναπαραγώγιμου περιβάλλοντος σε διάφορα στάδια του κύκλου ζωής της ML είναι μια από τις μεγαλύτερες προκλήσεις για τους επιστήμονες και τους προγραμματιστές δεδομένων. Με τη διανομή ανοιχτού κώδικα SageMaker, παρέχουμε μια εικόνα με αμοιβαία συμβατές εκδόσεις των πιο κοινών πλαισίων και πακέτων ML. Η διανομή είναι επίσης ανοιχτού κώδικα, παρέχοντας στους προγραμματιστές διαφάνεια στα πακέτα και τις διαδικασίες κατασκευής, καθιστώντας ευκολότερη την προσαρμογή της διανομής τους.
Σε αυτήν την ανάρτηση, σας δείξαμε πώς να χρησιμοποιείτε τη διανομή στο τοπικό σας περιβάλλον, στο Studio και ως κοντέινερ για τις εργασίες εκπαίδευσής σας. Αυτή η δυνατότητα είναι προς το παρόν σε δημόσια έκδοση beta. Σας ενθαρρύνουμε να το δοκιμάσετε και να μοιραστείτε τα σχόλιά σας και τα προβλήματά σας σχετικά με το δημόσιο αποθετήριο GitHub!
Σχετικά με τους συγγραφείς
Ντούργκα Σούρι είναι αρχιτέκτονας ML Solutions στην ομάδα Amazon SageMaker Service SA. Είναι παθιασμένη να κάνει τη μηχανική μάθηση προσβάσιμη σε όλους. Στα 4 χρόνια της στο AWS, βοήθησε στη δημιουργία πλατφορμών AI/ML για εταιρικούς πελάτες. Όταν δεν εργάζεται, λατρεύει τις βόλτες με μοτοσικλέτα, τα μυθιστορήματα μυστηρίου και τις μεγάλες βόλτες με το 5χρονο γεροδεμένο της.
Ketan Vijayvargiya είναι Ανώτερος Μηχανικός Ανάπτυξης Λογισμικού στο Amazon Web Services (AWS). Οι τομείς εστίασής του είναι η μηχανική μάθηση, τα κατανεμημένα συστήματα και ο ανοιχτός κώδικας. Εκτός δουλειάς, του αρέσει να περνά το χρόνο του αυτοφιλοξενούμενος και απολαμβάνοντας τη φύση.
- SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
- EVM Finance. Ενιαία διεπαφή για αποκεντρωμένη χρηματοδότηση. Πρόσβαση εδώ.
- Quantum Media Group. Ενισχυμένο IR/PR. Πρόσβαση εδώ.
- PlatoAiStream. Web3 Data Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
- πηγή: https://aws.amazon.com/blogs/machine-learning/get-started-with-the-open-source-amazon-sagemaker-distribution/
- :έχει
- :είναι
- :δεν
- $UP
- 1
- 10
- 100
- 11
- 2023
- 7
- 9
- a
- Σχετικα
- προσιτός
- απέναντι
- προσθέτω
- Επιπλέον
- Πρόσθετος
- Πλεονέκτημα
- πλεονεκτήματα
- AI / ML
- Όλα
- ήδη
- Επίσης
- Amazon
- Amazon Sage Maker
- Amazon υπηρεσίες Web
- Amazon Web Services (AWS)
- an
- και
- ανακοίνωσε
- κάθε
- app
- εφαρμογές
- ΕΙΝΑΙ
- περιοχές
- AS
- At
- αποδίδουν
- αυτομάτως
- διαθέσιμος
- αποφύγετε
- AWS
- φόντο
- βάση
- βασίζονται
- BE
- Αρχή
- βήτα
- μεταξύ
- Μεγαλύτερη
- πρόγραμμα περιήγησης
- χτίζω
- by
- CAN
- CAT
- Κύτταρα
- προκλήσεις
- Αλλαγές
- επιλογή
- Επιλέξτε
- επιλέγοντας
- ταξινόμηση
- COM
- Κοινός
- σύμφωνος
- πλήρης
- Υπολογίστε
- διαμόρφωση
- συνεπής
- πρόξενος
- κατανάλωση
- Δοχείο
- Εμπορευματοκιβώτια
- δημιουργία
- δημιουργήθηκε
- Τη στιγμή
- έθιμο
- Πελάτες
- προσαρμόσετε
- ημερομηνία
- επιστημονικά δεδομένα
- σύνολα δεδομένων
- βαθύς
- βαθιά μάθηση
- Προεπιλογή
- παρατάσσω
- περιγράφουν
- προγραμματιστές
- Ανάπτυξη
- διαφορετικές
- κατευθείαν
- διανέμονται
- κατανεμημένα συστήματα
- διανομή
- Λιμενεργάτης
- τομέα
- γίνεται
- κάτω
- κάθε
- Νωρίτερα
- ευκολότερη
- εύκολα
- δίνει τη δυνατότητα
- ενθαρρύνει
- τέλος
- από άκρη σε άκρη
- μηχανικός
- εξασφαλίζω
- εισάγετε
- Εταιρεία
- Περιβάλλον
- περιβάλλοντα
- Κάθε
- όλοι
- παράδειγμα
- παραδείγματα
- υφιστάμενα
- εμπειρία
- πείραμα
- εξειδίκευση
- διερευνήσει
- εξαγωγή
- επέκταση
- εκτενής
- Χαρακτηριστικό
- Χαρακτηριστικά
- ανατροφοδότηση
- Αρχεία
- Τελικά
- Όνομα
- Συγκέντρωση
- ακολουθείται
- Εξής
- Για
- Πλαίσιο
- πλαισίων
- από
- πλήρη
- πλήρως
- μελλοντικός
- παράγουν
- παίρνω
- GitHub
- GPU
- Έχω
- που έχει
- he
- βοήθησε
- αυτήν
- του
- Πως
- Πώς να
- HTML
- HTTPS
- ICON
- if
- εικόνα
- Ταξινόμηση εικόνας
- εικόνες
- αμέσως
- βελτίωση
- in
- Εισερχόμενος
- εγκαθιστώ
- εγκατασταθεί
- εγκατάσταση
- παράδειγμα
- οδηγίες
- ενσωματωθεί
- σε
- θέματα
- IT
- εαυτό
- Δουλειά
- Θέσεις εργασίας
- jpg
- json
- εργαστήριο
- laptop
- μεγαλύτερος
- ξεκινήσει
- ξεκίνησε
- μάθηση
- Αφήνει
- επίπεδα
- βιβλιοθήκες
- κύκλος ζωής
- Μου αρέσει
- συμπαθεί
- LINK
- Λιστα
- τοπικός
- τοπικά
- Σύνδεση
- Μακριά
- πλέον
- off
- αγαπά
- μηχανή
- μάθηση μηχανής
- κάνω
- Κατασκευή
- διαχείριση
- διαχείριση
- matplotlib
- ενδέχεται να
- μεταναστεύσουν
- ML
- μοντέλο
- μοντέλα
- Παρακολούθηση
- πλέον
- μοτοσυκλέτα
- μετακινήσετε
- πολλαπλούς
- αμοιβαίως
- Μυστήριο
- όνομα
- Φύση
- Ανάγκη
- χρειάζονται
- δίκτυο
- νευρικό σύστημα
- Νέα
- επόμενη
- Όχι.
- σημειωματάριο
- τώρα
- of
- προσφορές
- on
- ONE
- ανοίξτε
- ανοικτού κώδικα
- Επιλογή
- Επιλογές
- or
- δικός μας
- έξω
- εκτός
- δική
- πακέτο
- Packages
- Πάντα
- μέρος
- παθιασμένος
- παύση
- πληρώνουν
- επίδοση
- Μέρος
- Πλατφόρμες
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- Θέση
- προτιμώ
- προτιμάται
- προαπαιτούμενα
- ιδιωτικός
- Διεργασίες
- μεταποίηση
- παραγωγή
- Προφίλ ⬇️
- email marketing
- παρέχουν
- παρέχει
- χορήγηση
- δημόσιο
- δημοσίως
- δημοσιεύθηκε
- Σπρώξτε
- Python
- pytorch
- γρήγορα
- συνιστώ
- αντικαθιστώ
- Εκθέσεις
- Αποθήκη
- απαιτήσεις
- Υποστηρικτικό υλικό
- Αποτελέσματα
- τρέξιμο
- τρέξιμο
- s
- SA
- σοφός
- Αγωγοί SageMaker
- ίδιο
- Σάββατο
- Αποθήκευση
- Κλίμακα
- πρόγραμμα
- προγραμματιστεί
- Επιστήμη
- επιστήμονες
- scikit-μάθετε
- προστατευμένο περιβάλλον
- δείτε
- αρχαιότερος
- υπηρεσία
- Υπηρεσίες
- εξυπηρετούν
- σειρά
- ρυθμίσεις
- Κοινοποίηση
- αυτή
- δείχνουν
- βιτρίνα
- έδειξε
- παρουσιάζεται
- Απλούς
- απλά
- So
- λογισμικό
- ανάπτυξη λογισμικού
- Λύσεις
- Πηγή
- Σπινθήρας
- δαπανήσει
- στάδια
- ενδιαφερόμενα μέρη
- Εκκίνηση
- ξεκίνησε
- Ξεκινήστε
- Βήμα
- Βήματα
- στούντιο
- τέτοιος
- Υποστηρίζει
- διακόπτης
- συστήματα
- TAG
- Πάρτε
- tensorflow
- τερματικό
- δοκιμή
- ότι
- Η
- τους
- Τους
- τότε
- Αυτοί
- αυτοί
- αυτό
- ώρα
- προς την
- σήμερα
- δάδα
- Τρένο
- Εκπαίδευση
- Διαφάνεια
- προσπαθώ
- τύπος
- ui
- υποκείμενες
- ενιαία
- αχρησιμοποίητος
- Ενημέρωση
- Φορτώθηκε
- URL
- Χρήση
- χρήση
- μεταχειρισμένος
- Χρήστες
- χρησιμοποιεί
- χρησιμοποιώντας
- εκδοχή
- Δες
- οραματισμός
- θέλω
- ήθελε
- we
- ιστός
- διαδικτυακές υπηρεσίες
- εβδομάδα
- πότε
- θα
- με
- χωρίς
- Εργασία
- εργαζόμενος
- χρόνια
- Εσείς
- Σας
- zephyrnet